用于大型薄壁零件腔体的底面尺寸误差预测方法及装置

技术领域

本发明涉及智能制造技术领域，特别涉及一种用于大型薄壁零件腔体铣削的底面尺寸误差预测方法及装置。

背景技术

大型薄壁零件是现代航空航天工业中的典型产品，为了降低发射成本，通常会通过腔体铣削加工减轻其整体重量。腔体铣削的关键加工尺寸是底面尺寸，由于大型薄壁零件刚性较弱，几何尺寸大，其底面尺寸加工误差通常超过尺寸公差。同时，又因大型薄壁零件上的加工腔体数目众多，对其尺寸精度的批量检测和修复造成了极大的挑战。

相关技术中，可基于系统变形与切削力之间的耦合关系，并依据所建立的物理模型对薄壁零件腔体的铣削加工变形进行计算；或通过数值模拟技术，考虑切削力、材料去除、刀具轨迹、夹具和刀具刚度等因素，对薄壁零件腔体的铣削加工过程进行仿真。

然而，相关技术中，由于大型薄壁零件尺寸大、夹紧应力分布不均、存在机床误差以及内应力，且实际铣削加工环境变化复杂等因素，导致物理模型难以准确描述大型薄壁零件所有腔体的铣削加工过程。而对于数值模拟技术，其计算结果的准确性不仅需要以精确的先决条件设置为前提，其计算效率还往往容易受到计算机算力的掣肘。因此，无论是在计算精度还是计算效率上，依靠建立物理模型或数值模拟方法仍然难以保障大型薄壁零件腔体的加工质量。为了指导大型薄壁零件腔体的尺寸精度修复工作，有必要实现一种快速、精确的腔体底面尺寸误差预测方法。

发明内容

本发明提供一种用于大型薄壁零件腔体的底面尺寸误差预测方法及装置，以解决相关技术中因大型薄壁零件尺寸大、夹紧应力分布不均、存在机床误差以及内应力，且实际铣削加工环境变化复杂等因素，导致物理模型难以准确描述大型薄壁零件所有腔体的铣削加工过程，而数值模拟技术无论是在计算精度还是计算效率上，均难以通过准确预测铣削加工误差保障大型薄壁零件腔体的加工质量等问题。

本发明第一方面实施例提供一种用于大型薄壁零件腔体的底面尺寸误差预测方法，包括以下步骤：采集大型薄壁零件中每个腔体的主轴铣削功率信号；基于所述每个腔体的主轴铣削功率信号对每个腔体进行聚类，得到至少一种类型腔体；利用预先构建的深度自编码器神经网络，提取任一类型腔体的初始功率信号特征，并测量当前类型腔体的底面尺寸误差；构建所述初始功率信号特征和其对应的实际底面尺寸误差之间的关联模型；调整所述深度自编码器神经网络的参数，并将剩余的其他类型腔体的主轴铣削功率信号输入微调后的深度自编码器网络中，以提取多个功率信号特征；将所述多个功率信号特征输入至所述关联模型中，以预测多个腔体铣削的底面尺寸误差。

可选地，所述每个腔体的主轴铣削功率信号为：

其中，

可选地，所述基于所述每个腔体的主轴铣削功率信号对每个腔体进行聚类，得到至少一种类型腔体，包括：

计算N个腔体的散度矩阵D，并设置临时矩阵D'＝D；

确定所述临时矩阵D'的非零最小值；

在所述非零最小值不唯一的情况下，任选其中一个，设所选取的非零最小值的临时矩阵D'在的第R

重新确定所述临时矩阵D'的非零最小值；

在所述非零最小值不唯一的情况下，任选其中一个，设所选取的非零最小值的临时矩阵在D'的第R

判断所述第R

在两个腔体均未被聚类的情况下，将所述第R

在只有一个腔体已被聚类的情况下，设已被聚类的腔体为第j个腔体，未被聚类的腔体为第k个腔体，定义包含第j个腔体的类为Subset

在两个腔体均已被聚类的情况下，确定所有腔体是否全部完成聚类，在没有全部完成的情况下，再次重新确定所述临时矩阵D'的非零最小值，以继续进行聚类，直至所有腔体全部完成聚类，并设置D'(R

可选地，利用Kullback-Leibler散度的计算方法计算N个腔体的散度矩阵D，其中，所述Kullback-Leibler散度的计算方法为：

其中，

可选地，在只有一个腔体已被聚类的情况下，定义的所述中间变量d

其中，Subset

可选地，所述利用预先构建的深度自编码器神经网络，提取任一类型腔体的初始功率信号特征，包括：

基于所述预先构建的深度自编码器神经网络，选择聚类后的其中一类腔体，设其包含第i个腔体，则将第i个腔体的主轴铣削功率信号

其中，F

可选地，所述关联模型为：

其中，

本发明第二方面实施例提供一种用于大型薄壁零件腔体的底面尺寸误差预测装置，包括：采集模块，用于采集大型薄壁零件中每个腔体的主轴铣削功率信号；腔体聚类模块，用于基于所述每个腔体的主轴铣削功率信号对每个腔体进行聚类，得到至少一种类型腔体；提取特征模块，用于利用预先构建的深度自编码器神经网络，提取任一类型腔体的初始功率信号特征，并测量当前类型腔体的底面尺寸误差；关联模块构建模块，用于构建所述初始功率信号特征和其对应的实际底面尺寸误差之间的关联模型；参数微调模块，用于调整所述深度自编码器神经网络的参数，并将剩余的其他类型腔体的主轴铣削功率信号输入微调后的深度自编码器网络中，以提取多个功率信号特征；误差预测模块，用于将所述多个功率信号特征输入至所述关联模型中，以预测多个腔体铣削的底面尺寸误差。

本发明第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的用于大型薄壁零件腔体的底面尺寸误差预测方法。

本发明第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的用于大型薄壁零件腔体的底面尺寸误差预测方法。

本发明实施例的用于大型薄壁零件腔体的底面尺寸误差预测方法及装置，可采集大型薄壁零件腔体铣削的主轴铣削功率信号，将各个腔体的主轴铣削功率信号输入基于Kullback-Leibler散度的聚类方法，将腔体分为不同的类型，搭建深度自编码器神经网络，将一种类型腔体的主轴铣削功率输入深度自编码器网络，提取功率信号特征，并测试这种类型腔体的底面尺寸误差，基于支持向量回归，构建功率信号特征和所对应的腔体底面尺寸误差之间的关联模型，实现基于功率信号特征预测底面尺寸误差，基于迁移学习技术对深度自编码器神经网络的参数进行微调，将其他类型腔体的主轴铣削功率输入参数微调后的深度自编码器网络，提取功率信号特征，将其他类型腔体的功率信号特征输入所建立的关联模型，精确预测腔体铣削的底面尺寸误差。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例提供的一种用于大型薄壁零件腔体的底面尺寸误差预测方法的流程图；

图2为根据本发明一个具体实施例的大型薄壁零件腔体铣削的底面尺寸误差预测方法的具体过程示意图；

图3为根据本发明实施例的大型薄壁零件腔体铣削的主轴功率信号测点的示意图；

图4为根据本发明实施例的大型薄壁零件腔体铣削的底面尺寸误差预测模型的原理示意图；

图5为根据本发明实施例的用于大型薄壁零件腔体的底面尺寸误差预测装置的方框示意图；

图6为根据本发明实施例的电子设备的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例的用于大型薄壁零件腔体的底面尺寸误差预测方法及装置。

图1为根据本发明实施例提供的一种用于大型薄壁零件腔体的底面尺寸误差预测方法的流程图。

如图1所示，该用于大型薄壁零件腔体的底面尺寸误差预测方法包括以下步骤：

在步骤S101中，采集大型薄壁零件中每个腔体的主轴铣削功率信号。

在一些实施例中，每个腔体的主轴铣削功率信号可为：

其中，

在实际执行过程中，以大型薄壁零件铣削加工为例，NI信号采集系统可实现对铣削功率信号的采集，可控制系统采样频率，将电流传感器和电压传感器分别连接到主轴电机的控制电路上，通过电流信号和电压信号计算出主轴的铣削功率。

在步骤S102中，基于每个腔体的主轴铣削功率信号对每个腔体进行聚类，得到至少一种类型腔体。

作为一种可能实现的方式，本发明实施例可以通过将腔体分为不同的类型，从而考虑针对不同腔体类型建立与之对应的尺寸误差预测模型，有效地满足多个腔体底面加工尺寸误差的批量预测，提高智能化水平。

进一步地，在本发明的一个实施例中，基于每个腔体的主轴铣削功率信号对每个腔体进行聚类，得到至少一种类型腔体，包括：

步骤一，根据Kullback-Leibler散度的计算方法，计算N个腔体的散度矩阵D，并设置临时矩阵D'＝D，其中，Kullback-Leibler散度的计算方法为：

式中，

其中，Kullback-Leibler散度矩阵D的表达式为：

步骤二，确定临时矩阵D'的非零最小值；

在非零最小值不唯一的情况下，任选其中一个，设所选取的非零最小值的临时矩阵D'在的第R

步骤三，重新确定临时矩阵D'的非零最小值；

在非零最小值不唯一的情况下，任选其中一个，设所选取的非零最小值的临时矩阵在D'的第R

判断第R

在两个腔体均未被聚类的情况下，将第R

在只有一个腔体已被聚类的情况下，设已被聚类的腔体为第j个腔体，未被聚类的腔体为第k个腔体，定义包含第j个腔体的类为Subset

在两个腔体均已被聚类的情况下，检查所有腔体是否全部完成聚类，在没有全部完成的情况下，则迭代执行步骤三继续进行聚类，直至所有腔体全部完成聚类，并设置D'(R

可选地，在只有一个腔体已被聚类的情况下，定义的中间变量d

其中，Subset

在步骤S103中，利用预先构建的深度自编码器神经网络，提取任一类型腔体的初始功率信号特征，并测量当前类型腔体的底面尺寸误差。

在实际执行过程中，本发明实施例可以基于深度自编码器神经网络，提取各类型腔体的功率信号特征，并由机床主轴上的坐标探头测量加工点铣削深度，根据工件厚度和实际铣削深度计算剩余壁厚，得到底面尺寸的加工误差。

具体地，本发明实施例基于预先构建的深度自编码器神经网络，选择聚类后的其中一类腔体，设其包含第i个腔体，则将第i个腔体的主轴铣削功率信号

其中，F

在步骤S104中，构建初始功率信号特征和其对应的实际底面尺寸误差之间的关联模型。

在实际执行过程中，本发明实施例可以根据腔体功率信号特征的特点，通过支持向量回归(SVR)算法，拟合各类腔体功率信号特征与其底面尺寸加工误差间的关联关系。

其中，各类腔体功率信号特征与其底面尺寸加工误差间的关联模型为：

其中，

在步骤S105中，调整深度自编码器神经网络的参数，并将剩余的其他类型腔体的主轴铣削功率信号输入微调后的深度自编码器网络中，以提取多个功率信号特征。

在实际执行过程中，本发明实施例可以对除已构建出关联模型外的其他每一种类型的腔体，均基于迁移学习技术对深度自编码器神经网络的参数进行微调，并由微调后的深度自编码器网络提取多个功率信号特征。

在步骤S106中，将多个功率信号特征输入至关联模型中，以预测多个腔体铣削的底面尺寸误差。

在实际执行过程中，本发明实施例可以将所有类型腔体的功率信号特征均输入与之对应的关联模型，预测所有腔体的底面尺寸误差。

下面以大型薄壁零件腔体铣削为例，对本发明实施例的用于大型薄壁零件腔体的底面尺寸误差预测方法的工作原理进行详细阐述。

如图2所示，本实施例中具体包括以下步骤：

步骤S201，获取大型薄壁零件腔体铣削加工过程的主轴铣削功率信号。

针对本发明实施例中的大型薄壁零件铣削，采用NI信号采集系统对铣削功率信号进行测量，主轴功率信号测点如图3所示，电流传感器和电压传感器分别连接到主轴电机的控制电路上，电流传感器为霍尔电流传感器，测量精度为0.01A；电压信号由电压采集卡PXIe-4310获取，测量精度为0.1V；通过电流信号和电压信号计算主轴的铣削功率，采样频率为10000Hz。

步骤S202，基于聚类算法，将各个腔体聚类为不同类型。

具体地，在本实施例中，采用基于Kullback-Leibler散度的聚类方法，对共计N个腔体实施聚类。

本发明实施例利用该聚类方法进行腔体分类的原理可以如图4所示：

本发明实施例可以根据Kullback-Leibler散度的计算方法，计算N个腔体的Kullback-Leibler散度矩阵D，并设置临时矩阵D'＝D；

其中，Kullback-Leibler散度的计算表达式为：

式中，

其中，Kullback-Leibler散度矩阵D的表达式为：

进一步地，本发明实施例可以找到D'的非零最小值，如果非零最小值不唯一，则任选其中一个，设所选取的非零最小值D'在的第R

进一步地，本发明实施例可以重新找到D'的非零最小值，如果非零最小值不唯一，则任选其中一个，设所选取的非零最小值在D'的第R

如果两个腔体均未被聚类，则将第R

如果只有一个腔体已被聚类，则可以假设已被聚类的腔体为第j个腔体，未被聚类的腔体为第k个腔体，定义包含第j个腔体的类为Subset

式中，Subset

如果两个腔体均已被聚类，则可以检查所有腔体是否全部完成聚类，在没有全部完成的情况下，再次重新确定临时矩阵D'的非零最小值，以继续进行聚类，直至所有腔体全部完成聚类，并设置D'(R

步骤S203，采用深度自编码器神经网络，从主轴铣削功率信号中提取功率信号特征，并测量当前类型腔体的底面尺寸误差，再基于支持向量回归(SVM)算法建立功率信号特征与底面加工误差间的关联模型。

如图4所示，本发明实施例可以搭建深度自编码器神经网络，选择聚类后的其中一类腔体，设其中包含第i个腔体，则将

其中，F

进一步地，用机床主轴上的三个坐标探头测量底面尺寸，由机床z轴上的坐标探头测量加工点铣削深度，根据工件厚度和实际铣削深度计算剩余壁厚，得到当前类型腔体中底面尺寸的加工误差。

再进一步地，可以根据腔体功率信号特征的特点，通过支持向量回归(SVR)算法，拟合各类腔体功率信号特征与当前类型腔体中底面尺寸的加工误差间的关联关系，可以表示为：

其中，

步骤S204，基于迁移学习方法，获得与各腔体类型构对应的深度自编码神经网络参数，用其提取出各类腔体的功率信号特征后，输入支持向量回归模型，实现底面尺寸误差预测。

如图4所示，可以基于迁移学习技术对深度自编码器神经网络的参数进行微调，将其他类型腔体的主轴铣削功率输入参数微调后的深度自编码器网络，提取多个功率信号特征，可以将各类型腔体的功率信号特征输入所建立的关联模型，实现腔体铣削底面尺寸误差的精确预测。

综上，根据本发明实施例提出的用于大型薄壁零件腔体的底面尺寸误差预测方法，可采集大型薄壁零件腔体铣削的主轴铣削功率信号，将各个腔体的主轴铣削功率信号输入基于Kullback-Leibler散度的聚类方法，将腔体分为不同的类型，搭建深度自编码器神经网络，将一种类型腔体的主轴铣削功率输入深度自编码器网络，提取功率信号特征，并测试这种类型腔体的底面尺寸误差，基于支持向量回归，构建功率信号特征和所对应的腔体底面尺寸误差之间的关联模型，实现基于功率信号特征预测底面尺寸误差，基于迁移学习技术对深度自编码器神经网络的参数进行微调，将其他类型腔体的主轴铣削功率输入参数微调后的深度自编码器网络，提取功率信号特征，将其他类型腔体的功率信号特征输入所建立的关联模型，精确预测腔体铣削的底面尺寸误差。由此，解决了相关技术中由于大型薄壁零件尺寸大、夹紧应力分布不均、存在机床误差以及内应力，且实际铣削加工环境变化复杂等因素，导致物理模型难以准确描述大型薄壁零件所有腔体的铣削加工过程，而对于数值模拟技术，其计算结果的准确性不仅需要以精确的先决条件设置为前提，其计算效率还往往容易受到计算机算力的掣肘等问题。

其次参照附图描述根据本发明实施例提出的用于大型薄壁零件腔体的底面尺寸误差预测装置。

图5是本发明实施例的用于大型薄壁零件腔体的底面尺寸误差预测装置的方框示意图。

如图5所示，该用于大型薄壁零件腔体的底面尺寸误差预测装置50包括：采集模块501、腔体聚类模块502、提取特征模块503、关联模块构建模块504、参数微调模块505和误差预测模块506。

其中，采集模块501用于采集大型薄壁零件中每个腔体的主轴铣削功率信号。腔体聚类模块502用于基于每个腔体的主轴铣削功率信号对每个腔体进行聚类，得到至少一种类型腔体。提取特征模块503用于利用预先构建的深度自编码器神经网络，提取任一类型腔体的初始功率信号特征，并测量当前类型腔体的底面尺寸误差。关联模块构建模块504用于构建初始功率信号特征和其对应的实际底面尺寸误差之间的关联模型。参数微调模块505用于调整深度自编码器神经网络的参数，并将剩余的其他类型腔体的主轴铣削功率信号输入微调后的深度自编码器网络中，以提取多个功率信号特征。误差预测模块506用于将多个功率信号特征输入至关联模型中，以预测多个腔体铣削的底面尺寸误差。

可选地，每个腔体的主轴铣削功率信号为：

其中，

可选地，基于每个腔体的主轴铣削功率信号对每个腔体进行聚类，得到至少一种类型腔体，包括：

计算N个腔体的散度矩阵D，并设置临时矩阵D'＝D；

确定临时矩阵D'的非零最小值；

在非零最小值不唯一的情况下，任选其中一个，设所选取的非零最小值的临时矩阵D'在的第R

重新确定临时矩阵D'的非零最小值；

在非零最小值不唯一的情况下，任选其中一个，设所选取的非零最小值的临时矩阵在D'的第R

判断第R

在两个腔体均未被聚类的情况下，将第R

在只有一个腔体已被聚类的情况下，设已被聚类的腔体为第j个腔体，未被聚类的腔体为第k个腔体，定义包含第j个腔体的类为Subset

在两个腔体均已被聚类的情况下，确定所有腔体是否全部完成聚类，在没有全部完成的情况下，再次重新确定临时矩阵D'的非零最小值，以继续进行聚类，直至所有腔体全部完成聚类，并设置D'(R

可选地，利用Kullback-Leibler散度的计算方法计算N个腔体的散度矩阵D，其中，Kullback-Leibler散度的计算方法为：

其中，

可选地，在只有一个腔体已被聚类的情况下，定义的所述中间变量d

其中，Subset

可选地，利用预先构建的深度自编码器神经网络，提取任一类型腔体的初始功率信号特征，包括：

基于预先构建的深度自编码器神经网络，选择聚类后的其中一类腔体，设其包含第i个腔体，则将第i个腔体的主轴铣削功率信号

其中，F

可选地，关联模型为：

其中，

需要说明的是，前述对用于大型薄壁零件腔体的底面尺寸误差预测方法实施例的解释说明也适用于该实施例的用于大型薄壁零件腔体的底面尺寸误差预测装置，此处不再赘述。

根据本发明实施例提出的用于大型薄壁零件腔体的底面尺寸误差预测装置，可采集大型薄壁零件腔体铣削的主轴铣削功率信号，将各个腔体的主轴铣削功率信号输入基于Kullback-Leibler散度的聚类方法，将腔体分为不同的类型，搭建深度自编码器神经网络，将一种类型腔体的主轴铣削功率输入深度自编码器网络，提取功率信号特征，并测试这种类型腔体的底面尺寸误差，基于支持向量回归，构建功率信号特征和所对应的腔体底面尺寸误差之间的关联模型，实现基于功率信号特征预测底面尺寸误差，基于迁移学习技术对深度自编码器神经网络的参数进行微调，将其他类型腔体的主轴铣削功率输入参数微调后的深度自编码器网络，提取功率信号特征，将其他类型腔体的功率信号特征输入所建立的关联模型，精确预测腔体铣削的底面尺寸误差。由此，解决了相关技术中由于大型薄壁零件尺寸大、夹紧应力分布不均、存在机床误差以及内应力，且实际铣削加工环境变化复杂等因素，导致物理模型难以准确描述大型薄壁零件所有腔体的铣削加工过程，而对于数值模拟技术，其计算结果的准确性不仅需要以精确的先决条件设置为前提，其计算效率还往往容易受到计算机算力的掣肘等问题。

图6为根据本发明实施例的电子设备的结构示意图。该电子设备可以包括：

存储器601、处理器3602及存储在存储器601上并可在处理器602上运行的计算机程序。

处理器602执行程序时实现上述实施例中提供的用于大型薄壁零件腔体的底面尺寸误差预测方法。

进一步地，电子设备还包括：

通信接口603，用于存储器601和处理器602之间的通信。

存储器601，用于存放可在处理器602上运行的计算机程序。

存储器601可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

如果存储器601、处理器602和通信接口603独立实现，则通信接口603、存储器601和处理器602可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选地，在具体实现上，如果存储器601、处理器602及通信接口603，集成在一块芯片上实现，则存储器601、处理器602及通信接口603可以通过内部接口完成相互间的通信。

处理器602可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的用于大型薄壁零件腔体的底面尺寸误差预测方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。